🧠 脑区任务MRI图像预处理

MRI源文件

原始MRI图像

step 1 颅骨去除

1.依赖安装-HD-BET

bash

pip install hd-bet

2.单一文件

bash

hd-bet -i INPUT_FILENAME -o OUTPUT_FILENAME

3.多个文件

bash

hd-bet -i INPUT_FOLDER -o OUTPUT_FOLDER

4.输出图像

颅骨去除MRI图像

step 2 离线增强

1.依赖安装-ANTsPy

bash

pip install antspyx

2.图像读取

python

img = ants.image_read(input_file)

3.N4偏置场校正

同一种组织，在图像不同位置的灰度可能不一致，解决亮度不均匀问题。

python

mask = ants.get_mask(img)
img = ants.n4_bias_field_correction(img, mask=mask)

4.图像方向统一RAS

不同设备、不同医院导出的 MRI 数据，其坐标方向可能不同。 LPS、LAS、RAS。

python

img = ants.reorient_image2(img, orientation="RAS")

5.重采样

不同 MRI 数据的体素大小可能不同，可根据具体任务显存占用大小进行调节，越小占用越大

python

img = ants.resample_image(img, (1.0, 1.0, 1.0), use_voxels=False, interp_type=1)

6.配准到标准模板MNI

不同受试者的脑结构位置仍然不一致，需要将所有图像配准到同一个标准模板空间。

MNI文件下载

text

reg = ants.registration(fixed=template, moving=img, type_of_transform="Affine")
img_reg = reg["warpedmovout"]

MNI模版文件

7.结果保存和变换矩阵

保存变换文件有几个重要用途：

后续把分割标签映射到模板空间
把模板空间结果反变换回原始空间
复现处理流程
检查每个样本的配准参数

python

ants.image_write(img_reg, output_file)

for i, t in enumerate(reg["fwdtransforms"]):
    ext = os.path.splitext(t)[1]
    save_path = os.path.join(transform_dir, f"{base_name}_fwd_{i}{ext}")
    shutil.copy(t, save_path)

for i, t in enumerate(reg["invtransforms"]):
    ext = os.path.splitext(t)[1]
    save_path = os.path.join(transform_dir, f"{base_name}_inv_{i}{ext}")
    shutil.copy(t, save_path)

8.输出图像

输出图像

9.完整代码

python

import ants
import os
import shutil


def preprocess(input_file, output_file, template, transform_dir=None):
    img = ants.image_read(input_file)

    # 1. N4
    mask = ants.get_mask(img)
    img = ants.n4_bias_field_correction(img, mask=mask)

    # 2. RAS
    img = ants.reorient_image2(img, orientation="RAS")

    # 3. resample spacing
    img = ants.resample_image(img, (1.0, 1.0, 1.0), use_voxels=False, interp_type=1)

    # 4. registration
    reg = ants.registration(fixed=template, moving=img, type_of_transform="Affine")
    img_reg = reg["warpedmovout"]

    # 5. save registered image
    ants.image_write(img_reg, output_file)

    # 6. save transforms
    if transform_dir is not None:
        os.makedirs(transform_dir, exist_ok=True)

        base_name = os.path.basename(input_file)
        if base_name.endswith(".nii.gz"):
            base_name = base_name[:-7]
        elif base_name.endswith(".nii"):
            base_name = base_name[:-4]

        for i, t in enumerate(reg["fwdtransforms"]):
            ext = os.path.splitext(t)[1]
            save_path = os.path.join(transform_dir, f"{base_name}_fwd_{i}{ext}")
            shutil.copy(t, save_path)

        for i, t in enumerate(reg["invtransforms"]):
            ext = os.path.splitext(t)[1]
            save_path = os.path.join(transform_dir, f"{base_name}_inv_{i}{ext}")
            shutil.copy(t, save_path)


if __name__ == "__main__":
    input_dir = "/datasets/GPH-TCM/nii_data/MRI-T1_only_brain/"
    output_dir = "/datasets/GPH-TCM/nii_data/MRI-T1_only_brain_preprocessed/"
    transform_dir = "/datasets/GPH-TCM/nii_data/MRI-T1_only_brain_transforms/"
    template_path = "   mni.nii.gz"

    os.makedirs(output_dir, exist_ok=True)
    os.makedirs(transform_dir, exist_ok=True)

    template = ants.image_read(template_path)

    for filename in os.listdir(input_dir):
        if filename.endswith(".nii.gz") or filename.endswith(".nii"):
            input_file = os.path.join(input_dir, filename)
            output_file = os.path.join(output_dir, filename)

            try:
                preprocess(input_file, output_file, template, transform_dir)
                print(f"[OK] {filename}")
            except Exception as e:
                print(f"[ERROR] {filename}: {e}")

Step 3 在线增强

python

from monai.transforms import (
    Compose,
    EnsureChannelFirstd,
    EnsureTyped,
    Lambdad,
    LoadImaged,
    NormalizeIntensityd,
    RandScaleIntensityd,
    RandShiftIntensityd,
)

# train
train_transform = Compose(
    [
        LoadImaged(keys="image"),
        EnsureChannelFirstd(keys="image"),
        NormalizeIntensityd(keys="image", nonzero=True),
        RandScaleIntensityd(keys="image", factors=0.1, prob=0.3),
        RandShiftIntensityd(keys="image", offsets=0.1, prob=0.3),
        EnsureTyped(keys=["image"]),
        Lambdad(keys="labels", func=lambda x: torch.tensor(x, dtype=torch.long)),
    ]
)

# val or test
val_transform = Compose(
    [
        LoadImaged(keys="image"),
        EnsureChannelFirstd(keys="image"),
        NormalizeIntensityd(keys="image", nonzero=True),
        EnsureTyped(keys=["image"]),
        Lambdad(keys="labels", func=lambda x: torch.tensor(x, dtype=torch.long)),
    ]
)